图像识别方法及装置、眼底图像识别方法和电子设备制造方法及图纸

本公开提供一种图像识别方法、装置以及电子设备，涉及图像处理技术领域，该方法包括：获取待识别图像；通过神经网络模型对所述待识别图像进行处理，获得所述待识别图像的特征图；通过全连接层对所述特征图进行处理，获得所述待识别图像的特征向量；根据所述待识别图像的特征向量和第一类别的标准图像的特征向量获得所述待识别图像和所述第一类别的标准图像之间的相似度；根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。本公开实施例提供的技术方案可以通过待识别图像与第一类别的标准图像之间的相似度对所述待识别图像进行识别，提高了图像识别的准确率。

Image recognition method and device, fundus image recognition method and electronic equipment

The invention provides an image recognition method, device and electronic equipment, which relates to the technical field of image processing, including: obtaining the image to be recognized; processing the image to be recognized through the neural network model to obtain the characteristic map of the image to be recognized; processing the characteristic map through the full connection layer to obtain the characteristic vector of the image to be recognized; and According to the feature vector of the image to be recognized and the feature vector of the standard image of the first category, the similarity between the image to be recognized and the standard image of the first category is obtained; according to the similarity between the image to be recognized and the standard image of the first category, the image to be recognized is recognized. The technical scheme provided by the embodiment of the disclosure can recognize the image to be recognized by the similarity between the image to be recognized and the standard image of the first category, thus improving the accuracy of image recognition.

【技术实现步骤摘要】
图像识别方法及装置、眼底图像识别方法和电子设备
本公开涉及图像处理
，尤其涉及一种图像识别方法及装置、眼底图像识别方法和电子设备。
技术介绍
眼部成像是医学辅助诊疗的重要手段，通过眼底图像中的出血点和血管可以直接或间接的判断出许多眼部疾病，例如：视网膜脱离、黄斑裂孔、黄斑缺失、动脉阻塞、高血压眼底病、糖尿病视网膜病变等。在眼底图像(例如视网膜脱离、黄斑裂孔眼底图像等)识别过程中，需要通过眼底相机获取眼底图像，然后由眼科医生依靠肉眼观察来做出诊断，工作量甚大，工作效率低。因此，一种能够高准确率的完成对眼底图像完成自动识别的方法，对辅助医生实现对眼底疾病的诊断显得尤为重要。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本公开实施例提供一种图像识别方法、装置以及电子设备，能够高准确率的完成对待识别图像的自动识别，提高了工作效率，节约了人力和物力。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。根据本公开实施例的第一个方面，提出一种图像识别方法，该方法包括：获取待识别图像；通过神经网络模型对所述待识别图像进行处理，获得所述待识别图像的特征图；通过全连接层对所述特征图进行处理，获得所述待识别图像的特征向量；根据所述待识别图像的特征向量和第一类别的标准图像的特征向量获得所述待识别图像和所述第一类别的标准图像之间的相似度；根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。在一些实施例中，所述第一类别包括至少两个类别，每个类别包括至少一张标准图像；其中，根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别，包括：分别从每个类别中选取一张标准图像作为各个类别的目标图像，并确定所述目标图像的特征向量；根据各个类别的目标图像的特征向量与所述待识别图像的特征向量确定第一相似度，其中所述第一相似度包括目标类别的目标图像与所述待识别图像之间的相似度；根据所述目标类别的目标图像与所述待识别图像之间的相似度和所述第一相似度，确定所述目标类别的目标图像与所述待识别图像之间的归一化相似度；根据所述目标类别的目标图像与所述待识别图像之间的归一化相似度对所述待识别图像进行识别。在一些实施例中，所述目标类别包括N张标准图像，N为大于等于1的正整数，根据所述目标类别的目标图像与所述待识别图像之间的归一化相似度对所述待识别图像进行识别，包括：分别确定所述目标类别的N张标准图像对应的归一化相似度；根据所述N张标准图像对应的归一化相似度确定所述待识别图像属于所述目标类别的概率。在一些实施例中，所述图像识别方法还包括：获取第一训练图像和所述第一类别的第二训练图像，所述第一训练图像包括类别标签；通过所述神经网络模型分别对所述第一训练图像和所述第二训练图像进行处理，获得所述第一训练图像和所述第二训练图像的特征图；通过所述全连接层分别对所述第一训练图像和所述第二训练图像的特征图进行处理，获得所述第一训练图像和所述第二训练图像的特征向量；根据所述第一训练图像的特征向量和所述第二训练图像的特征向量，获得所述第一训练图像和所述第二训练图像之间的相似度；根据所述第一训练图像和所述第二训练图像的相似度，第一类别确定所述第一训练图像属于所述第一类别的概率；第一类别基于所述第一训练图像属于所述第一类别的概率和所述第一训练图像的类别标签更新所述神经网络模型的参数。在一些实施例中，基于所述第一训练图像属于所述第一类别的概率和所述第一训练图像的类别标签更新所述神经网络模型的参数，包括：基于交叉熵损失函数确定所述神经网络模型的损失；根据所述损失更新所述神经网络模型的参数。在一些实施例中，在获得所述待识别图像的特征向量之前，所述图像识别方法还包括：通过所述神经网络模型对所述第一类别的标准图像进行处理，获得所述第一类别的标准图像的特征图；通过所述全连接层对所述第一类别的标准图像的特征图进行处理，获得所述第一类别的标准图像的特征向量；存储所述第一类别的标准图像的特征向量。在一些实施例中，所述图像识别方法还包括：获取待识别图像和所述第一类别的标准图像；通过神经网络模型对所述待识别图像和所述第一类别的标准图像进行处理，获得所述待识别图像和所述第一类别的标准图像的特征图；通过全连接层对所述待识别图像和所述第一类别的标准图像的特征图进行处理，获得所述待识别图像和所述第一类别的标准图像的特征向量；根据所述待识别图像所述第一类别的标准图像的特征向量，获得所述待识别图像和所述第一类别的标准图像之间的相似度；根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。根据本公开实施例的第二个方面，提出一种眼底图像识别方法，所述眼底图像识别方法包括：获取待识别眼底图像；通过神经网络模型对所述待识别眼底图像进行处理，获得所述待识别眼底图像的特征图；通过全连接层对所述特征图进行处理，获得所述待识别眼底图像的特征向量；根据所述待识别眼底图像的特征向量和第一类别的标准眼底图像的特征向量获得所述待识别眼底图像和所述第一类别的标准眼底图像之间的相似度；根据所述待识别眼底图像和所述第一类别的标准眼底图像之间的相似度对所述待识别眼底图像进行识别。根据本公开实施例的第三个方面，提出一种图像识别装置，所述图像识别装置包括：图像获取模块、特征图提取模块、特征向量获取模块、相似度确定模块以及识别模块。其中，图像获取模块，配置为获取待识别图像；特征图提取模块，配置为通过神经网络模型对所述待识别图像进行处理，获得所述待识别图像的特征图；特征向量获取模块，配置为通过全连接层对所述特征图进行处理，获得所述待识别图像的特征向量；相似度确定模块，配置为根据所述待识别图像的特征向量和第一类别的标准图像的特征向量获得所述待识别图像和所述第一类别的标准图像之间的相似度；识别模块，配置为根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。根据本公开实施例的第四个方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项方法。根据本公开实施例的第五个方面，提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述方法。本公开实施例提供的图像识别方法、装置和电子设备，一方面通过神经网络模型和全连接层确定了待识别图像的特征向量，该特征向量包含的信息丰富，有助于进行图像识别；另一方面，基于待识别图像与第一类别的标准图像的特征向量确定了待识别图像与第一类别的标准图像之间的相似度，通过待识别图像与第一类别的标准图像之间的相似度完成了对待识别图像的识别，提高了图像识别的准确率。另外，通过本公开实施例提供的技术方案可以高效的完成对待识别图像的识别，节本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：/n获取待识别图像；/n通过神经网络模型对所述待识别图像进行处理，获得所述待识别图像的特征图；/n通过全连接层对所述特征图进行处理，获得所述待识别图像的特征向量；/n根据所述待识别图像的特征向量和第一类别的标准图像的特征向量获得所述待识别图像和所述第一类别的标准图像之间的相似度；/n根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
获取待识别图像；
通过神经网络模型对所述待识别图像进行处理，获得所述待识别图像的特征图；
通过全连接层对所述特征图进行处理，获得所述待识别图像的特征向量；
根据所述待识别图像的特征向量和第一类别的标准图像的特征向量获得所述待识别图像和所述第一类别的标准图像之间的相似度；
根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别。


2.根据权利要求1所述方法，其特征在于，所述第一类别包括至少两个类别，每个类别包括至少一张标准图像；其中，根据所述待识别图像和所述第一类别的标准图像之间的相似度对所述待识别图像进行识别，包括：
分别从每个类别中选取一张标准图像作为各个类别的目标图像，并确定所述目标图像的特征向量；
根据各个类别的目标图像的特征向量与所述待识别图像的特征向量确定第一相似度，其中所述第一相似度包括目标类别的目标图像与所述待识别图像之间的相似度；
根据所述目标类别的目标图像与所述待识别图像之间的相似度和所述第一相似度，确定所述目标类别的目标图像与所述待识别图像之间的归一化相似度；
根据所述目标类别的目标图像与所述待识别图像之间的归一化相似度对所述待识别图像进行识别。


3.根据权利要求2所述方法，其特征在于，所述目标类别包括N张标准图像，N为大于等于1的正整数；其中，根据所述目标类别的目标图像与所述待识别图像之间的归一化相似度对所述待识别图像进行识别，包括：
分别确定所述目标类别的N张标准图像对应的归一化相似度；
根据所述N张标准图像对应的归一化相似度确定所述待识别图像属于所述目标类别的概率。


4.根据权利要求1所述方法，其特征在于，还包括：
获取第一训练图像和所述第一类别的第二训练图像，所述第一训练图像包括类别标签；
通过所述神经网络模型分别对所述第一训练图像和所述第二训练图像进行处理，获得所述第一训练图像和所述第二训练图像的特征图；
通过所述全连接层分别对所述第一训练图像和所述第二训练图像的特征图进行处理，获得所述第一训练图像和所述第二训练图像的特征向量；
根据所述第一训练图像的特征向量和所述第二训练图像的特征向量，获得所述第一训练图像和所述第二训练图像之间的相似度；
根据所述第一训练图像和所述第二训练图像的相似度，确定所述第一训练图像属于所述第一类别的概率；
基于所述第一训练图像属于所述第一类别的概率和所述第一训练图像的类别标签更新所述神经网络模型的参数。


5.根...

【专利技术属性】
技术研发人员：龚丽君，马锴，郑冶枫，
申请(专利权)人：腾讯医疗健康深圳有限公司，
类型：发明
国别省市：广东;44